Nel machine learning enterprise c’è una verità poco glamour: il modello che genera più valore raramente è un transformer, sono i gradient-boosted tree su un CSV. Le pipeline XGBoost che predicono churn, frode e rischio di credito su righe e colonne restano i cavalli da lavoro, e il flusso attorno a loro — carica la tabella, fai feature engineering, cross-validation, tuning degli iperparametri, ripeti — è quasi immutato da un decennio.
Google Research punta proprio a quel rituale con TabFM, un foundation model per classification e regression su dati tabellari. La proposta: produrre predizioni su tabelle mai viste in un singolo forward pass, senza training, senza tuning e senza feature engineering. Si passa l’intero problema — righe di training, righe di test, tutto — come un unico prompt gigante, e il modello risponde. È in-context learning applicato agli spreadsheet.
La copertura di TheSequence colloca TabFM nella scia di TimesFM, il foundation model per time-series dello stesso team, descritto come uno degli artefatti di ricerca più deployati usciti da Google. Il resto dell’articolo è dietro paywall, quindi qui ci si ferma alla proposta di fondo, senza benchmark o dettagli architetturali verificabili.
Perché può interessare a un data engineer
L’idea di un modello che salta il ciclo di feature engineering e tuning è interessante proprio perché i dati tabellari sono il pane quotidiano dell’analytics engineering, non un caso di nicchia. Se l’in-context learning regge su dataset reali — con schema eterogenei, valori mancanti e distribuzioni sbilanciate — il valore non è sostituire XGBoost ovunque, ma avere una baseline immediata senza costruire una pipeline da zero per ogni nuovo dataset.
Restano le domande che contano: come si comporta su tabelle larghe, quanto costa l’inference quando l’intero training set entra nel prompt, e come si posiziona in accuratezza contro un XGBoost ben tunato. Sono esattamente i punti che la parte a pagamento promette di affrontare e che varrà la pena verificare prima di trarre conclusioni. Per ora TabFM è un segnale in più che il paradigma foundation model si sta estendendo dalle sequenze testuali e temporali al formato dati più diffuso in azienda.
In sintesi
- TabFM è un foundation model Google per classification e regression tabellare, con predizioni in un forward pass e senza tuning.
- Approccio in-context learning, nella scia di TimesFM; l’articolo completo è a pagamento.
- Da valutare su schema reali e sul costo di inference prima di considerarlo un’alternativa a XGBoost.
Fonte: The Sequence AI of the Week #891: Prompting a Spreadsheet : Inside Google’s TabFM for Tabular AI
Hai qualcosa da aggiungere? Unisciti alla discussione.